Det här inlägget är ett gästsamarbete av Supratim Banerjee från More Retail Limited och Shivaprasad KT och Gaurav H Kankaria från Ganit Inc.
More Retail Ltd. (MRL) är en av Indiens fyra bästa livsmedelsbutiker med en omsättning i storleksordningen flera miljarder dollar. Det har ett butiksnätverk med 22 stormarknader och 624 stormarknader över hela Indien, som stöds av en försörjningskedja med 13 distributionscentra, 7 centra för frukt- och grönsakssamling och 6 stapelbearbetningscentra.
Med ett så stort nätverk är det viktigt för MRL att leverera rätt produktkvalitet till rätt ekonomiskt värde, samtidigt som kundernas efterfrågan och minimerar driftskostnaderna. MRL samarbetade med Ganit som sin AI-analyspartner för att förutsäga efterfrågan med större noggrannhet och bygga ett automatiserat beställningssystem för att övervinna flaskhalsarna och bristerna i manuell bedömning av butikschefer. MRL används Amazon Prognos för att öka deras prognosnoggrannhet från 24% till 76%, vilket leder till en minskning av slöseriet med upp till 30% i färskvarukategorin, vilket förbättrar lagernivån från 80% till 90% och ökar bruttovinsten med 25%
Vi lyckades uppnå dessa affärsresultat och bygga ett automatiserat beställningssystem på grund av två primära skäl:
- Förmåga att experimentera - Forecast ger en flexibel och modulär plattform genom vilken vi körde mer än 200 experiment med olika regressorer och typer av modeller, som inkluderade både traditionella och ML-modeller. Teamet följde ett Kaizen-tillvägagångssätt, lärde sig av tidigare misslyckade modeller och distribuerade modeller först när de lyckades. Experimentet fortsatte på sidan medan vinnande modeller drevs ut.
- Ändra hanteringen - Vi bad kategoriägare som var vana vid att göra order med affärsbedömning att lita på det ML-baserade beställningssystemet. En systemisk antagningsplan säkerställde att verktygets resultat lagrades och verktyget användes med en disciplinerad kadens, så att fyllda och aktuella lager identifierades och registrerades i tid.
Komplexitet i prognoser för färskvarukategorin
Prognosefterfrågan på färskvarukategorin är utmanande eftersom färska produkter har kort hållbarhet. Med överprognoser slutar butikerna sälja inaktuella eller övermogna produkter eller kasta bort det mesta av deras lager (kallas krympning). Om underprognosen kan vara slut på produkter, vilket påverkar kundupplevelsen. Kunder kan överge sin kundvagn om de inte hittar viktiga artiklar i deras inköpslista, eftersom de inte vill vänta i kassan för bara en handfull produkter. För att öka denna komplexitet har MRL många SKU i sina över 600 stormarknader, vilket leder till mer än 6,000 XNUMX butik-SKU-kombinationer.
I slutet av 2019 använde MRL traditionella statistiska metoder för att skapa prognosmodeller för varje butik-SKU-kombination, vilket resulterade i en noggrannhet så låg som 40%. Prognoserna upprätthölls genom flera enskilda modeller, vilket gjorde det beräkningsmässigt och operativt dyrt.
Efterfrågan på beställning
I början av 2020 började MRL och Ganit arbeta tillsammans för att ytterligare förbättra noggrannheten för prognoser för färsk kategori, känd som frukt och grönsaker (F&V), och minska krympning.
Ganit rekommenderade MRL att dela upp sitt problem i två delar:
- Prognosefterfrågan för varje butik-SKU-kombination
- Beräkna orderkvantitet (indrag)
Vi går in i mer detaljer om varje aspekt i följande avsnitt.
Prognosefterfrågan
I det här avsnittet diskuterar vi stegen för att prognostisera efterfrågan för varje butik-SKU-kombination.
Förstå efterfrågan
Ganits team började sin resa med att först förstå de faktorer som drivit efterfrågan i butikerna. Detta inkluderade flera butiksbesök på plats, diskussioner med kategorichefer och kadensmöten med stormarknadens VD i kombination med Ganits egen expertis för prognoser om flera andra aspekter som säsongsbestämning, lager, socioekonomiska och makroekonomiska faktorer .
Efter butiksbesöken formulerades cirka 80 hypoteser om flera faktorer för att studera deras inverkan på F & V-efterfrågan. Teamet utförde omfattande hypotesprovningar med tekniker som korrelation, bivariat och univariat analys och statistiska signifikansprov (Studentens t-test, Z-test) för att fastställa sambandet mellan efterfrågan och relevanta faktorer som festivaldatum, väder, kampanjer och många fler .
Datasegmentering
Teamet betonade att utveckla en granulär modell som exakt kunde förutsäga en butik-SKU-kombination för varje dag. En kombination av försäljningsbidrag och enkel förutsägelse byggdes som ett ABC-XYZ-ramverk, där ABC indikerade försäljningsbidraget (A var högst) och XYZ indikerade att det var lätt att förutsäga (Z var det lägsta). För modellbyggnad var den första fokuslinjen på butik-SKU-kombinationer som hade ett högt bidrag till försäljningen och var de svåraste att förutsäga. Detta gjordes för att säkerställa att förbättrad prognosnoggrannhet har maximal affärseffekt.
Databehandling
MRL: s transaktionsdata var strukturerade som konventionella försäljningsdata med fält som mobilnummer, fakturanummer, artikelkod, butikskod, datum, fakturakvantitet, realiserat värde och rabattvärde. Teamet använde dagliga transaktionsdata under de senaste två åren för modellbyggnad. Att analysera historiska data hjälpte identiteten till två utmaningar:
- Förekomsten av många saknade värden
- Vissa dagar hade extremt hög eller låg försäljning på fakturanivåer, vilket indikerade förekomsten av avvikare i uppgifterna
Saknad värdebehandling
En djupdykning i de saknade värdena identifierade orsaker som att inget lager finns i butiken (ingen leverans eller inte under säsong) och butiker som stängs på grund av planerade semester- eller externa begränsningar (såsom regional eller nationell avstängning eller byggnadsarbete). De saknade värdena ersattes med 0 och lämpliga regressorer eller flaggor lades till modellen så att modellen kunde lära av detta för eventuella framtida händelser.
Outlier behandling
Teamet behandlade avvikarna på den mest detaljerade fakturanivån, vilket säkerställde att faktorer som likvidation, bulkinköp (B2B) och dålig kvalitet beaktades. Till exempel kan behandling på fakturanivå innefatta att observera en KPI för varje butik-SKU-kombination på en dagnivå, som i följande graf.
Vi kan sedan flagga datum då onormalt stora kvantiteter säljs som avvikare och dyka djupare in i de identifierade avvikelserna. Ytterligare analys visar att dessa avvikare är förplanerade institutionella inköp.
Dessa faktureringsnivåer avgränsas sedan med den maximala försäljningskvantiteten för det datumet. Följande diagram visar skillnaden i efterfrågan på fakturanivå.
Prognosprocess
Teamet testade flera prognosmetoder som tidsseriemodeller, regressionsbaserade modeller och djupinlärningsmodeller innan de valde Prognos. Den främsta anledningen till att välja Prognos var skillnaden i prestanda när man jämför prognosnoggrannheter i XY-skopan mot Z-skopan, vilket var det svåraste att förutsäga. Även om de flesta konventionella tekniker gav högre noggrannhet i XY-skopan, tillhandahöll endast ML-algoritmerna i Prognos en 10% stegvis noggrannhet jämfört med andra modeller. Detta berodde främst på Prognos förmåga att lära sig andra SKU-mönster (XY) och tillämpa dessa lärdomar på mycket flyktiga föremål i Z-hinken. Genom AutoML var prognosen DeepAR + -algoritmen vinnaren och vald som prognosmodell.
Iterering för att ytterligare förbättra prognosnoggrannheten
Efter att teamet identifierat Deep AR + som den vinnande algoritmen körde de flera experiment med ytterligare funktioner för att ytterligare förbättra noggrannheten. De utförde flera iterationer på en mindre samlingsuppsättning med olika kombinationer som ren måltidsseriedata (med och utan avvikande behandling), regressorer som festivaler eller stängningar av butiken och metadata för butiksartiklar (butiksartikelhierarki) för att förstå den bästa kombinationen för förbättrad prognosnoggrannhet. Kombinationen av outlier behandlade måltidsserier tillsammans med butik-objekt-metadata och regressorer gav den högsta noggrannheten. Detta skalades tillbaka till den ursprungliga uppsättningen 6,230 XNUMX butik-SKU-kombinationer för att få den slutliga prognosen.
Beställning av orderkvantitet
Efter att teamet utvecklat prognosmodellen var det omedelbara nästa steget att använda denna för att bestämma hur mycket lager som ska köpas och placera order. Ordergenerering påverkas av prognostiserad efterfrågan, aktuellt lager och andra relevanta faktorer i butiken.
Följande formel fungerade som grund för utformningen av orderkonstruktionen.
Teamet övervägde också andra parametrar för justering av indrag för det automatiska beställningssystemet, såsom minsta orderkvantitet, serviceenhetsfaktor, minsta stängningslager, minsta visningslager (baserat på planogram) och justering av fyllningshastighet, vilket överbryggar klyftan mellan maskin och människa intelligens.
Balansera underprognos och scenarier med överprognoser
För att optimera produktionskostnaden för krympning med kostnaden för lager och förlorad försäljning använde teamet kvantitetsfunktionen i Prognos för att flytta prognossvaret från modellen.
I modellutformningen genererades tre prognoser vid p40-, p50- och p60-kvantiler, varvid p50 var baskvantilen. Valet av kvantiteter var programmerat att basera sig på lager och slöseri i butiker under det senaste förflutna. Till exempel valdes högre kvantiteter automatiskt om en viss butik-SKU-kombination mötte kontinuerliga stockouts under de senaste 3 dagarna, och lägre kvantiteter valdes automatiskt om butik-SKU hade bevittnat högt slöseri. Kvantiteten för ökande och minskande kvantiteter baserades på storleken på lager eller krympning i butiken.
Automatiserad orderplacering via Oracle ERP
MRL distribuerade Prognos och indrag beställningssystem i produktion genom att integrera dem med Oracles ERP-system, som MRL använder för orderplaceringar. Följande diagram illustrerar den slutliga arkitekturen.
För att distribuera beställningssystemet i produktion migrerades all MRL-data till AWS. Teamet skapade ETL-jobb att flytta livebord till Amazon RedShift (datalager för business intelligence-arbete), så Amazon Redshift blev den enda källan för input för framtida all databehandling.
Hela dataarkitekturen var uppdelad i två delar:
- Prognosmotor:
- Använd historisk efterfrågan (1-dags efterfrågan) i Amazon Redshift
- Andra regressorinmatningar som senaste faktureringstid, pris och festivaler upprätthölls i Amazon Redshift
- An Amazon Elastic Compute Cloud (Amazon EC2) -instans konfigurerades med anpassade Python-skript för att krångla transaktioner, regressorer och andra metadata
- Post-data wrangling, data flyttades till en Amazon enkel lagringstjänst (Amazon S3) bucket för att generera prognoser (T + 2-prognoser för alla butik-SKU-kombinationer)
- Den slutliga prognosutmatningen lagrades i en separat mapp i en S3-hink
- Beställ motor (indrag):
- All data som krävs för att konvertera prognoser till beställningar (såsom lager till hands, mottagna för att lagra kvantitet, senaste två dagarna av beställningar som gjorts för att mottas, serviceenhetsfaktor och planogrambaserad minsta öppnings- och slutlager) lagras och underhålls i Amazon Redshift
- Orderkvantiteten beräknades genom Python-skript som körs på EC2-instanser
- Beställningar flyttades sedan till Oracles ERP-system, som gjorde en beställning till leverantörer
Hela beställningssystemet frikopplades i flera nyckelsegment. Teamet ställde in Apache Airflows e-postaviseringar för schemaläggaren för varje process för att meddela respektive intressenter vid framgång eller misslyckande, så att de kunde vidta omedelbara åtgärder. Beställningarna som gjordes via ERP-systemet flyttades sedan till Amazon Redshift-tabeller för beräkning av de kommande dagarnas beställningar. Den enkla integrationen mellan AWS och ERP-system ledde till ett komplett automatiskt beställningssystem från end-to-end med inget mänskligt ingripande.
Slutsats
En ML-baserad metod låste upp den verkliga kraften i data för MRL. Med Forecast skapade vi två nationella modeller för olika butiksformat, i motsats till över 1,000 traditionella modeller som vi använt.
Prognos lär sig också över tidsserier. ML-algoritmer inom Forecast möjliggör korsinlärning mellan butik-SKU-kombinationer, vilket hjälper till att förbättra prognosens noggrannhet.
Dessutom ger Prognos dig möjlighet att lägga till relaterade tidsserier och objektmetadata, till exempel kunder som skickar efterfrågesignaler baserat på blandningen av artiklar i sin korg. Prognosen beaktar all information om inkommande efterfrågan och kommer fram till en enda modell. Till skillnad från konventionella modeller, där tillägg av variabler leder till övermontering, berikar Prognosen modellen och ger exakta prognoser baserade på affärssammanhang. MRL fick förmågan att kategorisera produkter baserat på faktorer som hållbarhet, kampanjer, pris, typ av butiker, rika kluster, konkurrenskraftig butik och butikens genomströmning. Vi rekommenderar att du testar Amazon Forecast för att förbättra din leveranskedjedrift. Du kan lära dig mer om Amazon Prognos här.. För mer information om Ganit och våra lösningar, kontakta info@ganitinc.com att lära sig mer.
Innehållet och åsikterna i det här inlägget tillhör tredjepartsförfattaren och AWS ansvarar inte för innehållet eller noggrannheten i detta inlägg.
Om författarna
Supratim Banerjee är Transformationschef at Mer detaljhandel Begränsad. Han är en erfaren professionell med en demonstrerad historia av arbete inom riskkapital- och private equity-branscher. Han var konsult med KPMG och arbetade med organisationer som AT Kearney och India Equity Partners. Han har en MBA med inriktning på ekonomi, general från Indian School of Business, Hyderabad.
Shivaprasad KT är Medgrundare & VD at Ganit Inc. Han har 17+ års erfarenhet av att leverera topp- och bottenlinjepåverkan med hjälp av datavetenskap i USA, Australien, Asien och Indien. Han har rådgivit CXO: er vid företag som Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo och Citibank. Han har en MBA från SP Jain, Mumbai och en kandidatexamen i teknik från NITK Surathkal.
Gaurav H Kankaria är Senior datavetare at Ganit Inc. Han har över 6 års erfarenhet av att designa och implementera lösningar för att hjälpa organisationer inom detaljhandel, CPG och BFSI-domäner att fatta datadrivna beslut. Han har en kandidatexamen från VIT University, Vellore.
